《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 基于差分隱私的數(shù)據(jù)脫敏技術(shù)研究
基于差分隱私的數(shù)據(jù)脫敏技術(shù)研究
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
李思慧1，戴明超1，蔡伍洲2
1.武警吉林省總隊； 2.武警部隊作戰(zhàn)勤務(wù)局
摘要： 隨著人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，全球數(shù)據(jù)產(chǎn)業(yè)規(guī)模和數(shù)據(jù)儲量呈爆發(fā)式增長。在挖掘數(shù)據(jù)價值的同時，確保數(shù)據(jù)安全已成為亟需解決的關(guān)鍵問題。數(shù)據(jù)脫敏技術(shù)通過預(yù)先設(shè)定的規(guī)則和算法，對敏感數(shù)據(jù)進(jìn)行變換，去除數(shù)據(jù)中的敏感信息，可防止敏感數(shù)據(jù)被非法訪問、獲取，又可以減少對整體數(shù)據(jù)集挖掘利用的影響，實(shí)現(xiàn)了保持?jǐn)?shù)據(jù)可用性的同時，保護(hù)用戶的隱私數(shù)據(jù)。針對神經(jīng)網(wǎng)絡(luò)預(yù)測模型中的數(shù)據(jù)隱私保護(hù)問題，利用差分隱私技術(shù)中的Laplace機(jī)制對Adult數(shù)據(jù)集進(jìn)行脫敏，并在神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進(jìn)行驗證，對比原始數(shù)據(jù)、差分隱私脫敏數(shù)據(jù)及其他脫敏技術(shù)數(shù)據(jù)生成模型的預(yù)測效果，結(jié)果表明，經(jīng)差分隱私技術(shù)處理后的數(shù)據(jù)，既保證了數(shù)據(jù)隱私，又實(shí)現(xiàn)了數(shù)據(jù)的有效利用。
中圖分類號：TP309文獻(xiàn)標(biāo)識碼：ADOI:10.19358/j.issn.2097-1788.2025.02.006
引用格式：李思慧，戴明超，蔡伍洲. 基于差分隱私的數(shù)據(jù)脫敏技術(shù)研究［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2025，44（2）：39-43.
Research on data desensitization technology based on differential privacy
Li Sihui1, Dai Mingchao1，Cai Wuzhou2
1.Jilin Armed Police Corps; 2.Combat Service Bureau, People′s Armed Police
Abstract： With the development of artificial intelligence and big data technology, the global data industry is experiencing explosive growth in scale and data reserves. Ensuring data security while mining its value has become a critical issue that urgently needs to be solved. Data desensitization technology transforms sensitive data with preset rules and algorithms, removing sensitive information from the data, preventing illegal access and acquisition of sensitive data, and reducing the impact on the overall data set mining and utilization, achieving privacy protection while maintaining data availability.This article addresses the issue of data privacy protection in neural network prediction models. The Laplace mechanism in differential privacy technology is used to desensitize the Adult data set and validated in the neural network prediction model. Comparing the predictive performance of the original data, differential privacysanitized data, and models generated from other desensitization techniques data, the results show that the data processed by differential privacy technology not only ensures data privacy but also achieves effective utilization of the data.
Key words : data desensitization; differential privacy; Laplace mechanism

引言

當(dāng)前，人工智能、大模型、大數(shù)據(jù)技術(shù)飛速發(fā)展，數(shù)據(jù)是各項技術(shù)構(gòu)建的關(guān)鍵基礎(chǔ)資源，全球數(shù)據(jù)產(chǎn)業(yè)正在呈爆發(fā)式增長。據(jù)國際數(shù)據(jù)公司（IDC）預(yù)測，2018~2025年，全球數(shù)據(jù)量將從33 ZB猛增至175 ZB，而根據(jù)工業(yè)和信息化部相關(guān)預(yù)測，2021~2025年，我國的大數(shù)據(jù)產(chǎn)業(yè)規(guī)模將從1.3萬億元突破至3萬億元，數(shù)據(jù)已然成為推動經(jīng)濟(jì)社會發(fā)展最重要的基礎(chǔ)生產(chǎn)要素之一［1］。數(shù)據(jù)資源被充分利用的同時，數(shù)據(jù)安全問題也日益凸顯，數(shù)據(jù)被非法獲取事件頻頻發(fā)生，給企業(yè)和個人帶來了巨大損失。因此，在挖掘數(shù)據(jù)價值的同時，確保數(shù)據(jù)安全，已成為亟需解決的關(guān)鍵問題。

傳統(tǒng)的數(shù)據(jù)安全解決方案大多關(guān)注于數(shù)據(jù)的存儲和傳輸，在對數(shù)據(jù)進(jìn)行挖掘利用時，仍然需要具有敏感信息的原始數(shù)據(jù)，數(shù)據(jù)非法竊取者可通過身份攻擊、屬性攻擊、存在性攻擊和概率知識攻擊等，推斷出個體敏感信息［2］。數(shù)據(jù)脫敏技術(shù)是通過對數(shù)據(jù)進(jìn)行一定處理來保護(hù)隱私的技術(shù)，其目的是在保留輸入數(shù)據(jù)的統(tǒng)計特征以及可用性的同時，保護(hù)數(shù)據(jù)的隱私和安全［3］。差分隱私技術(shù)是數(shù)據(jù)脫敏技術(shù)的一種，該技術(shù)提供了一種隱私保護(hù)方法，旨在向原始數(shù)據(jù)注入噪聲或擾動，實(shí)現(xiàn)在保護(hù)個體數(shù)據(jù)隱私的同時，完成對數(shù)據(jù)的挖掘利用［4］。

差分隱私技術(shù)在國外研究較早，且技術(shù)日趨成熟。2006年，Dwork等人［5］首次提出了差分隱私保護(hù)方法，該方法通過向原始數(shù)據(jù)添加服從特定分布的噪聲，用以保護(hù)敏感數(shù)據(jù)，解決了傳統(tǒng)數(shù)據(jù)匿名脫敏技術(shù)無法抵抗背景知識攻擊的問題。2016年，Abadi等人［6］提出了具有差分隱私的深度學(xué)習(xí)算法，分析了差分隱私在深度學(xué)習(xí)框架內(nèi)的隱私成本，在保護(hù)數(shù)據(jù)隱私的同時，訓(xùn)練出有效的深度學(xué)習(xí)模型。2019年，Holohan等人［7］設(shè)計了IBM差分隱私庫，用于Python編程語言中研究、實(shí)驗和開發(fā)差分隱私應(yīng)用程序。2023年，Holohan［8］又提出了差分隱私隨機(jī)數(shù)生成器和種子算法，實(shí)現(xiàn)了在差分算法和結(jié)果中進(jìn)行測試和錯誤修復(fù)，為差分隱私算法選擇提供了有利幫助。

近年來，國內(nèi)的差分隱私技術(shù)研究也取得了豐碩成果。2009年，袁進(jìn)良［9］設(shè)計了統(tǒng)一的差分隱私聯(lián)邦學(xué)習(xí)平臺，擴(kuò)展了傳統(tǒng)的隱私預(yù)算組合定理，實(shí)現(xiàn)了隨時間不斷更新的可用預(yù)算，解決了差分隱私的強(qiáng)隱私和聯(lián)邦系統(tǒng)的高吞吐難兼顧問題。2023年，張連福［10］提出了一種基于同態(tài)加密與差分隱私的隱私保護(hù)聯(lián)邦學(xué)習(xí)方案，利用多種防護(hù)措施實(shí)現(xiàn)了隱私防護(hù)范圍覆蓋聯(lián)邦學(xué)習(xí)全生命周期。同年，張旭［11］提出一種兼顧安全防御和隱私保護(hù)的分布式學(xué)習(xí)系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)隱私保護(hù)的同時，提升了訓(xùn)練模型的準(zhǔn)確性。隨著差分隱私技術(shù)的不斷迭代發(fā)展，其在數(shù)據(jù)隱私保護(hù)領(lǐng)域得到越來越多的應(yīng)用。

本文探討基于差分隱私的數(shù)據(jù)脫敏方法，對數(shù)據(jù)集進(jìn)行清洗整理后，利用Laplace機(jī)制對敏感數(shù)據(jù)進(jìn)行處理，利用神經(jīng)網(wǎng)絡(luò)模型分別對未脫敏數(shù)據(jù)和脫敏后的數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測，對比原始數(shù)據(jù)、差分隱私脫敏數(shù)據(jù)及其他脫敏技術(shù)數(shù)據(jù)生成模型的預(yù)測效果，為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的數(shù)據(jù)隱私保護(hù)問題提供解決方案。


本文詳細(xì)內(nèi)容請下載：

http://theprogrammingfactory.com/resource/share/2000006341


作者信息：

李思慧1，戴明超1，蔡伍洲2

（1.武警吉林省總隊，吉林長春130000；

2.武警部隊作戰(zhàn)勤務(wù)局，北京100000）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。